Está en la página 1de 29

Sistemas Expertos

*** Aspectos Tcnicos ***

La posibilidad de poder emular la inteligencia humana ha despertado la curiosidad del ser humano desde tiempos remotos. Y el hombre encontr dos caminos para lograr dicho fin: Tratar de imitar el funcionamiento del cerebro humano a nivel computador lo cual implica construir una analoga de tipo fsico del cerebro del hombre. Esto podra llamarse entonces enfoque fsico, y como principal exponente de este rumbo encontramos a las redes neuronales. Tratar de lograr el conocimiento humano a travs de la lgica, por lo que estaramos en presencia de un enfoque lgico. En este enfoque de pensamiento encontramos a los sistemas expertos que intentan reproducir el razonamiento humano de forma simblica.

Introduccin
Cmo se almacena el conocimiento de un experto en una especialidad determinada? Cmo es el proceso de inferencia en un sistema experto? Tiene solucin la explosin combinacional de posibles caminos a tomar? Cmo es la relacin entre el conocimiento y el razonamiento?

Los sistemas expertos incorporan en la base de conocimiento del sistema el conocimiento de un experto e intentan simular el razonamiento humano por medio de un conjunto de programas de computacin. Un sistema experto se compone de: Base de hechos Base de conocimientos Motor de inferencia

Mdulos de comunicacin o de entrada-salida que se subdivide en:


Mdulo de consulta o del usuario Mdulo de trabajo o del experto

O sea que podemos esquematizar un sistema experto de la siguiente manera:

BASE DE HECHOS

MOTOR DE INFERENCIA

BASE DE CONOCIMIENTO

EXPERTO

USUARIO

Base de Hechos
Contiene la informacin que permanece invariable y que recibe el nombre de hecho. Podemos decir que constituye la memoria de trabajo del sistema experto. Los hechos representan la estructura dinmica del conocimiento ya que su nmero puede verse incrementado a medida que se van relacionando las reglas.

Base de Conocimiento
Contiene el conocimiento del dominio. Este conocimiento debe representarse a fin de que pueda incluirse en el sistema. Se lo representa lo ms sencillamente posible y se lo hace de un modo relacional entre los mismos, mediante las reglas. O sea la base de conocimientos contiene reglas. Las mismas toman la forma de: IF < premisa > THEN < conclusin >

Las reglas componen la base de conocimiento y las mismas pueden relacionarse dando lugar a nuevos hechos.

Motor de Inferencia
Es el corazn del sistema experto. Concretiza el conocimiento abstracto que posee el sistema, para obtener las conclusiones y tomar las decisiones correspondientes. Es el intrprete de las reglas y por lo tanto nos da la estrategia general de resolucin.

Comparacin entre un SE y un Programa Tradicional


Un programa tradicional puede esquematizarse de la siguiente manera:
Datos

Algoritmo

Control

Entradas Salidas

Programa Tradicional

Mientras que un sistema experto estara definido de la siguiente forma:


Base de Hechos

Base de Conocimientos

Motor de Inferencia

Entradas Salidas

Sistema Experto

Del esquema se desprende que la base de hechos es en un sistema experto, lo que los datos son en un programa tradicional. De la misma manera la base de conocimientos reemplaza al algoritmo. El motor de inferencia es el programa.

Proceso Lgico de Carga de la BC


Para esquematizar el proceso lgico de carga, recurriremos a la cascada de rdenes. As tenemos:
En esta fase se determinan las reglas y se incorporan a la base de conocimientos.

BC: Base de Conocimiento

Proceso Lgico de Carga de la BH


En esta fase se detectan los hechos y se incorporan a la base de hechos.
Si no existe al menos una regla que contenga ese hecho debemos determinarla ya que de no ser as, ese hecho estara de ms en la base de hechos.

BH: Base de Hechos

El Proceso de Inferencia
Durante la inferencia puedo verificar o deducir hechos. En la verificacin de un hecho el proceso est dirigido por los objetivos mientras que en la deduccin est dirigido por los datos. Por medio de cascadas de rdenes, veremos ambos casos.

Verificacin de un Hecho
En este proceso, una vez tomado un hecho, se produce el encadenamiento hacia atrs. Es decir, se parte de la premisa para llegar a los datos.

Deduccin de un Hecho
En este proceso, primero se requieren los datos para analizar la premisa. O sea, partimos del: IF < condicin > para tomar luego la decisin de continuar o no con l: THEN < conclusin > La conclusin de una regla puede constituirse en condicin de la premisa necesaria para otra regla y seguir as sucesivamente. Hasta llegar al resultado final de la inferencia.

La Explosin Combinacional y el uso de Metarreglas


Entrando en la tctica de la resolucin, uno de los problemas de los sistemas expertos, es encontrarse con una gran cantidad de reglas que estn en condiciones de ser utilizadas y que obliga al mismo a idas y venidas por las mismas para encontrar un camino lgico. Este conjunto de reglas que en un mismo momento son candidatas a ser aplicadas recibe el nombre de conjunto de conflicto.

Se necesita, al igual que en las decisiones humanas, tener hiptesis ms relevantes que vayan reduciendo ese conjunto, o sea un conocimiento de mayor nivel. Estamos en presencia de metaconocimientos, que reciben el nombre de metarreglas.

Qu son entonces las metarreglas? Las metarreglas son aquellas reglas de mayor nivel que varan la estrategia de resolucin segn sea el problema o segn sean los resultados que se van obteniendo. Por lo tanto, simplifican el camino inductivo-deductivo, orientando al motor de inferencia sobre el conocimiento que debe ser seleccionado y consecuentemente aplicado en cada momento. El uso de metarreglas, que comenz con la llamada segunda generacin de sistemas expertos, necesita un motor de inferencia que las interprete. A su vez, el conocimiento debe estar agrupado por clases, que posibiliten el accionar de las metarreglas. Por lo tanto, en un sistema experto que utilice metarreglas, el conocimiento deber estar estructurado como: De control (metarreglas) De dominio (reglas)

El Razonamiento Aproximado
Dado un problema, el razonamiento a efectuarse depende del conocimiento con que contamos. Si es parcial, el razonamiento ser por defecto. Si es conflictivo, el razonamiento ser no monotnico. Si el conocimiento es incierto o el lenguaje en que se representa es impreciso, estamos en presencia de un razonamiento aproximado. Vemos entonces que un conocimiento puede ser impreciso sin ser incierto o ser incierto sin ser impreciso. Veremos ambos casos.

Cundo un conocimiento es incierto?

Un conocimiento es incierto cuando est expresado con predicados precisos, pero donde no puede establecerse el valor de verdad. Ejemplos de lo anterior estn constituidos por predicados del tipo:
Creo que ... Es posible que...

Cundo un conocimiento es impreciso?

Un conocimiento es impreciso cuando cuenta solamente con predicados vagos, o sea que las variables no reciben un valor preciso, sino que solamente se especifica un subconjunto al que pertenecen.
Ejemplo de esto sera: Carlos es alto. Juan tiene entre 30 y 35 aos.

El uso de este tipo de conocimiento nos adentra en la lgica difusa, dado que se recurre a la utilizacin de coeficientes. Este, es un factor que se agrega para representar la incertidumbre o la imprecisin que el experto asigna a este conocimiento. Este factor recibe el nombre de coeficiente de refinamiento y por lo general se mide en una escala de 0 a 1 e implica una modificacin al principio de inferencia. Por lo tanto la regla tomara la siguiente forma:

IF < premisa > THEN < conclusin > < coeficiente >
Este coeficiente de refinamiento constituye un modificador de la conclusin en la regla y, por lo tanto, es luego utilizado por el motor de inferencia para la gestin del razonamiento aproximado.

Ejemplo
Tomamos a modo de ejemplo un sistema experto que utiliza los distintos ratios de uso comn en el mbito administrativo-contable. Los estndares aceptados por los expertos estarn almacenados en la base de datos del sistema de informacin, para permitir al motor de inferencias efectuar un proceso de comparacin. Veremos el caso del coeficiente de liquidez (CL), comparndolo con el estndar (SCL). Nuestros hechos seran:

CL, SCL, situacin, mala, buena, muy buena.

Nuestras reglas:

IF CL < SCL THEN situacin = mala IF CL = SCL THEN situacin = buena IF CL > SCL THEN situacin = muy buena

Resumen

Los sistemas expertos capturan y utilizan el conocimiento de un experto humano para la solucin de problemas en un rea determinada y limitada del saber. Emplean un razonamiento de tipo simblico a diferencia del algortmico que utilizan los programas tradicionales. Por esta razn brindan resultados aproximados y no resultados exactos. Es decir, no determinan el resultado ptimo sino solamente uno satisfactorio, dado que manejan conocimientos imprecisos e inciertos. Ese resultado brindado, debe ser justificado, indicando el camino lgico seguido. Este tipo de sistemas se diferencia de los sistemas de apoyo para las decisiones (enlace) en que est capacitado para seleccionar una solucin al problema y no deja la decisin final al usuario.